تخمین TSS خروجی تصفیه‏خانه فاضلاب اهواز با استفاده از مدل‌های هوشمند

علوم و تکنولوژی محیط زیست، دورهبیست و دوم، شماره نه، آذر  ماه 99

تخمین  TSSخروجی تصفیه‏خانه فاضلاب اهواز با استفاده از مدل­های هوشمند

مجتبی قائدرحمتی[1]

هادی معاضد[2]

پروانه تیشه­زن[3]^*

partishehzan@scu.ac.ir

تاریخ دریافت: 25/04/97                                                                                                              تاریخ پذیرش: 26/04/98

چکیده

مقدمه: محدودبودن منابع آب شیرین در جهان، به‏خصوص در مناطق خشک و نیمه‏خشک مانند ایران، رویکرد استفاده مجدد از پساب‏های شهری را اجتناب­ناپذیر ساخته است. از مهمترین شاخص‏های بررسی میزان آلودگی فاضلاب و مقایسه با استاندارد‏های مختلف جهت بازاستفاده یا تخلیه به منابع آبی TSS می‏باشد که آزمایشی هزینه بر و زمان­بر است. مطالعه حاضر در سال 1395 با هدف تخمین  TSS خروجی تصفیه‏خانه فاضلاب اهواز با استفاده از مدل­های هوشمند انجام یافته است.

مواد و روش­ها: با توجه به زمان­بر و هزینه­بر یودن آزمون TSS، در این تحقیق، توانمندی سه مدل رگرسیون خطی چندمتغیره، شبکه عصبی مصنوعی و سیستم استنتاج فازی عصبی­تطبیقی جهت تخمین TSS فاضلاب خروجی از تصفیه‏خانه فاضلاب با استفاده از نرم­افزار MATLAB ­و SPSS 21 بررسی شد. براین اساس ترکیبات مختلفی از پارامترهای کیفی فاضلاب، طی دوره آماری 8 ساله (1394-1387) به عنوان ورودی مدل‏ها در دو حالت روزانه و ماهانه مورد ارزیابی قرار گرفت.  

نتایج: مدل رگرسیون  حداکثر ضریب تعیین(R²) برای مراحل آموزش و صحت‏سنجی را به‏ترتیب در دوره روزانه 75/0 و 67/0 و در دوره ماهانه 68/0 و 66/0 به­دست آورد؛ ریشه میانگین مربعات خطا(RMSE) در این آزمون 033/0 و 025/0 در دوره روزانه و 053/0  و 053/0 در دوره ماهانه، به‏دست آمد. حداکثرR² با شبکه عصبی مصنوعی به‏ترتیب برای مراحل آموزش و صحت‏سنجی در دوره روزانه 87/0 و 79/0 و در دوره ماهانه 87/0 و 85/0، و RMSE برابر 030/0 و 023/0 در دوره روزانه و 034/0 و 031/0 در دوره ماهانه، به‏دست آمد. نتایج بیشترین r² را برای مدل سیستم استنتاج فازی­عصبی­تطبیقی نشان دادند که در دوره روزانه 91/0 و 83/0 و در دوره ماهانه 89/0 و 87/0، و مقدار RMSE برابر 026/0 و 025/0 در دوره روزانه و 031/0 و 028/0 در دوره ماهانه، به‏ترتیب برای مراحل آموزش و صحت‏سنجی بود.

نتیجه­گیری: براساس یافته های تحقیق هر سه مدل در تخمین مقدارTSS  فاضلاب خروجی کاربرد مناسبی داشتند، اما مدل سیستم استنتاج فازی عصبی تطبیقی به دلیل برازش بهتر و خطای کم‏تر، مدلی مناسب‏تر است.

کلمات کلیدی: فاضلاب،  مواد جامد معلق، رگرسیون، شبکه عصبی مصنوعی، استنتاج فازی عصبی تطبیقی

Estimation of Effluent TSS of Ahvaz Wastewater Treatment Plant Using Inelegant Models

Mojtaba Ghaed Rahmati^[4]

Hadi Moazed^[5]

Parvaneh Tishehzan^[6]

partishehzan@scu.ac.ir

Abstract

Introduction: The limitation of fresh water resources in the world, especially in arid and semi-arid regions such as Iran, has inevitably led to the reuse of urban wastewater. One of the most important indicators of sewage pollution and comparison with different standards for reuse or discharge to the water resources is TSS. The present study was conducted in 2016 with the aim of estimation of effluent TSS of Ahvaz wastewater treatment plant using inelegant models.

Material and methods: Regard to costly and time-consuming measurement tests of TSS, the capability of multivariate linear regression model, Artificial Neural Network (ANN), and Adaptive Neuro-Fuzzy Inference System (ANFIS) was studied to estimate (TSS) in wastewater treatment plant output by MATLAB and SPSS 21 software. Accordingly, various compounds of sewage quality parameters were evaluated during the 8-year statistical period (2008-2015) as input of models in two daily and monthly modes.

Results: The results of the regression model indicated that the maximum R² for training and verification were 0.75 and 0.67 in daily and 0.68 and 0.66 in monthly period, respectively. The root mean square error (RMSE) in this test was 0.033 and 0.025 in the daily period and 0.053 and 0.053 in the monthly period. The maximum R² in ANN for training and verification were 0.87 and 0.79 in daily and 0.87 and 0.85 in monthly period, respectively. The RMSE in this test was 0.030 and 0.023 in the daily period and 0.034 and 0.031 in the monthly period. Meanwhile, the maximum R² in ANFIS for training and verification were 0.91 and 0.83 in daily and 0.89 and 0.87 for monthly period, respectively. The RMSE in this test was 0.026 and 0.025 in the daily period and 0.031 and 0.028 in the monthly period.

Conclusion: The results confirmed the application of three models is appropriate, but the ANFIS was considered as a more appropriate model.

Keywords: Wastewater, Total Suspended Solid, Regression, ANN, ANFIS

مقدمه

فاضلاب‏ یکی از عوامل آلودگی محیط‏زیست است که ‏باید آن‏ را به طریق بهداشتی جمع‏آوری، تصفیه و مجدداً به گردش آب در طبیعت برگرداند. تصفیه فاضلاب تولید پسابی را خواهد نمود که در جهت برآورد بخشی از نیازهای جامعه از جمله مصارف کشاورزی، آبیاری فضای سبز، پرورش آبزیان، استفاده‏های تفریحی، تغذیه منابع آب‏های زیرزمینی و مصرف صنایع، مفید تشخیص داده شده است. در عملیات تصفیه فاضلاب TSS(کل ذرات جامد معلق)[7] از مهمترین شاخص‏های بررسی میزان آلودگی فاضلاب و نیز برای مقایسه با استاندارد‏های مختلف جهت بازاستفاده می‏باشد. بنابراین اندازه‏گیری و پایش متوالی آن‏ در تصفیه‏خانه فاضلاب امری ضروری است. از آن­جایی که اندازه­گیری این پارامتر در آزمایشگاه نیاز به صرف هزینه، انرژی و زمان دارد، بررسی رفتاری آن در تصفیه‏خانه‏ها در قالب مدل‏های تخمین­گر راهگشاست. شبکه عصبی مصنوعی[8] یکی از این مدل­هاست. نتایج مطالعات Ozkaya و Demir  (2007)در خصوص استفاده از شبکه عصبی مصنوعی (ANN)  در تحلیل مسائل غیرخطی علوم محیط‏زیست حاکی از سادگی و انعطاف‏پذیری آن‏هاست (1).

شبکه عصبی مصنوعی در واقع مدل ساده شده‏ای از مغز انسان می‏باشد. این شبکه یک ساختار ریاضی است که توانایی نشان دادن فرایند‏ها و ترکیبات دلخواه غیرخطی جهت ارتباط بین ورودی‏ها و خروجی‏های هر سیستمی را داراست. شبکه عصبی از سلول‏ها عصبی به‏نام نرون و واحدهای ارتباطی به‏نام آکسون تشکیل یافته است  .هر شبکه عصبی مصنوعی از سه لایه تشکیل شده است که عبارتند از :لایه ورودی، لایه خروجی و لایه پنهان. بر روی هر یک از این لایه‏ها تعدادی نرون به عنوان واحدهای پردازنده وجود دارد که با اتصالاتی وزن‏دار به همدیگر مرتبط می شوند. برای انتقال خروجی‏های هر لایه به لایه‏های بعدی از توابع محرک استفاده می‏شود. از توابع محرک می‏توان توابع سیگموییدی، خطی و آستانه‏ای را نام برد.

شبکه عصبی با شناسایی الگو به مدل­سازی می­پردازد که در نتیجه برای هر کاربرد خاص، نتیجه متفاوت از دیگری می­دهد. از مزایای مدل­های هوشمند می­توان به قابلیت تقریب­زنی هر تابع، قابلیت تطبیق یا به­روزرسانی خود، پایداری و سادگی کار با آن و عدم نیاز به درک عمیق از روابط بین متغیرها و تابع­ها اشاره کرد (2).

از جمله محدوددیت­های روش­های خبره مانند شبکه عصبی و سیستم فازی عصبی این است که با توجه به این­که این روش­ها از طریق آموزش و یادگیری از داده­های قبلی شکل می­گیرند، برای استفاده در کار عملی مرتب نیاز به به­روز رسانی (آموزش مجدد) دارد تا تغییرات جدید را دربرگرفته و پیش­بینی دقیق­تری را ارایه دهد. هم­چنین این روش­ها در صورت استفاده از برون­یابی احتمالا دارای خطاهای بیشتری هستند. زیرا داده­ها در محدوده خارج از محدوده آموزش قرار می­گیرند. این امر ضرورت بهنگام کردن مدل­ها را نشان می­دهد (3).

مدل­های هوشمند در مطالعات مختلفی برای مدل کردن فرایندهای مختلف تصفیه فاضلاب استفاده شده است. شبکه عصبی مصنوعی (ANN) برای مدل­سازی عملکرد تصفیه­خانه فاضلاب اکباتان تهران و تصفیه­خانه فاضلاب EL-AGAMY مصر استفاده شد و نتایج حاکی از مناسب بودن این مدل برای تخمین BOD₅، COD و TSS بود (4 و5). هم­چنین از مدل­های فازی ممدانی و سوگنو برای ارزیابی عملکرد تصفیه­خانه­ فاضلاب تبریز برای برآورد BOD₅ و TSS استفاده شد که مدل فازی سوگنو برآورد دقیق­تری داشت اگرچه هر دو مدل دارای ضرایب همبستگی بالایی بودند (6).

منطق فازی به تنهایی نمی­تواند روند سینماتیکی برای یک کنترل‏کننده فازی داشته باشد. از این رو   مدل سیستم شبکه فازی­ عصبی تطبیقی ارائه شد (7). سیستم ANFIS از الگوریتم‌های یادگیری شبکه­ عصبی و منطق فازی به‏منظور طراحی نگاشت غیرخطی بین فضای ورودی وخروجی استفاده می­کند. مدل فازی­عصبی ­تطبیقی براساس تغییر در میزان مقادیر و دامنه توابع تعلق در تکرارهای مختلف جهت رسیدن به شبکه مناسب براساس حداقل خطای موجود عمل می‌کند. در مدل سیستم استنتاج عصبی فازی تطبیقی از روش استنتاجی تاکاگی سوگنو استفاده می­شود. زمانی عمل شبیه­سازی به درستی استفاده شده است که تمامی پارامترهای مؤثر در ساختار مدل طوری تعیین گردند که مقدار خطای مدل به حداقل مقدار خود برسد و هم­چنین مقادیر کارایی، بیشترین مقدار را داشته باشند. تعداد و نوع ورودی­ها، شکل توابع عضویت از عوامل مؤثر بر مدل فازی عصبی می‏باشد (7).

از سیستم استنتاج فازی عصبی تطبیقی  (ANFIS)[9] نیز برای مدل‏سازی فرایند تصفیه فاضلاب صنعتی و نیز تصفیه فاضلاب بیمارستانی جهت تخمین مقدار COD خروجی استفاده شد. مقایسه نتایج دو مدل ANFIS و ANN نشان­دهنده نتایج بهتر و بازدهی بیشتر ANFIS نسبت به روش ANN  بود. البته هر دو مدل، روش‏های مدل‏سازی بادوام، منعطف و موثری را برای سیستم لجن فعال ارائه دادند (611-8).

توانایی الگوریتم ژنتیک در تخمین پارامترهای فاضلاب خروجی شامل  TSS, و pH در مقایسه با ANN برای شبیه‏سازی تصفیه‏خانه فاضلاب نیمه مکانیکی (لاگون هوادهی) شماره یک شهر مشهد با استفاده از آمار یک دوره چهار ساله و با استفاده از داده‏های فاضلاب ورودی از قبیل Q, , COD, pH, T, TSS و  DO^[10] بررسی شد. نتایج برای پارامتر ، در مدل شبکه عصبی مصنوعی، ضریب همبستگی 86/0 و درصد جذر میانگین مربعات خطای  14 درصد، و در مدل شبکه عصبی مصنوعی بهینه شده با الگوریتم ژنتیک، ضریب همبستگی 93/0 و درصد جذر میانگین مربعات خطای 10 درصد را نشان داد (12).

به‏منظور مدل‏سازی عملکرد تصفیه‏خانه فاضلاب شهر ملاتیا در ترکیه، یک مدل هوشمند ANN با کمک آنالیز موجک در کاهش ابعاد پارامترهای ورودی به شبکه عصبی توسعه داده شد و پارامتر TSS فاضلاب خروجی را با سطحی مطلوب تخمین زده شد (13).

از مدل رگرسیون چندمتغیره نیز به‏منظور مد‏ل‏سازی رفتار تصفیه‏خانه فاضلاب  Sfax در جنوب‏شرقی تونس استفاده  شده است. آن‏ها با داشتن پارامترهای فاضلاب ورودی بین سال‏های 2008 تا2010 شامل  COD, pH, T, TSS,، TKN^[11] و FC^[12] توانستند با ضرایب تعیین به ترتیب 973/0، 946/0 و 925/0 برای پارامترهای فاضلاب تصفیه­شده ، COD، TSS تصفیه‏خانه مذکور را مدل کنند (14).

تصفیه­خانه غرب اهواز نقش مهمی در کاهش بار ورودی به رودخانه کارون دارد و بررسی عملکرد  و مدل­سازی پارامتر مهم   که آزمایش­هایی زمان­بر و هزینه­بر دارد، می­تواند به مدیران آب و فاضلاب اهواز جهت بهره­برداری بهینه سیستم و برنامه­ریزی برای استفاده مجدد فاضلاب تصفیه­شده کمک قابل توجهی نماید. در مدل­سازی می­توان از مدل­های ساده تا پیشرفته استفاده نمود. رگرسیون خطی چندمتغیره علاوه براین­که مدل ساده­ای است، توانایی ارایه مدل ریاضی را در محیط ساده­ای  نظیر اکسل دارد. اما توانایی آن در مقایسه با دو مدل­های تخمین­گر دیگر در مطالعات گذشته مشاهده نشد. از سوی دیگر در مطالعات قبلی سعی در تخمین  پارامترهای مورد نظر در یک دوره زمانی (معمولاً روزانه) صورت گرفته است. اما گاهی تخمین پارامترهای ماهانه کمک خوبی به  برنامه­ریزان می­نماید. پارامترهای زیادی می­تواند بر مقدار TSS خروجی تاثیر بگذارد. اما اندازه­گیری مداوم آن­ها گاهی ممکن نیست.از این رو تحقیق حاضر با هدف مدل­سازی عملکرد تصفیه­خانه فاضلاب غرب اهواز در جهت برآورد TSS پساب خروجی در دو حالت روزانه و ماهانه و شرایط تعداد ورودی­های مختلف انجام شد. همچنین  کارایی مدل‏ رگرسیون خطی چندمتغیره در مقایسه با  مدل ANN و ANFIS  مورد ارزیابی قرار گرفت.

مواد و روش‏ها

منطقه مورد مطالعه و داده‏ها

تصفیه‏خانه فاضلاب غرب اهواز (چنیبیه) در زمینی به مساحت 13 هکتار طی سال‏های 1372-1368 از نوع تصفیه زیستی لجن فعال با جمعیت تحت پوشش 000/200 نفر و با ظرفیت اسمی 600 لیتر در ثانیه با هدف تصفیه بخشی از فاضلاب تولیدی شهر اهواز و جلوگیری از آلودگی تنها منبع آشامیدنی شهر اهواز یعنی رودخانه کارون و نیز افق آینده زمین‏های کشاورزی منطقه احداث شد.

داده­های آموزشی و داده­های صحت‏سنجی

طبق نظر  سلگی و همکاران  (15) اصولاً در هر نوع شبکه عصبی با هر روش دلخواه و هر نوع معماری، داده­ها به دو دسته تقسیم­بندی می­شوند که شامل داده­های آموزشی^[13] و داده­های صحت‏سنجی^[14] می‌باشند. بدین منظور در این تحقیق نیز از 75 درصد داده­ها برای آموزش و 25 درصد برای صحت‏سنجی استفاده شده است. یعنی از مجموع 8 سال، داده‏های سال‏های 1387 تا آخر 1392 (به مدت 6 سال) برای آموزش مدل‏ها و از داده‏های سال‏های 1393 و 1394 (به مدت 2 سال) برای صحت‏سنجی مدل‏ها استفاده شد. ضمناً، در دو مدل ANN و ANFIS، داده‏‏های آموزش خود به سه دسته 75 درصد داده‏های آموزش، 15 درصد داده‏های اعتبارسنجی و 15 درصد داده‏های تست طبقه‏بندی می‏شوند.

آماده­سازی داده­های ورودی

به علت این­که وارد کردن داده­های خام باعث کاهش سرعت و دقت شبکه می­شود از روش نرمال­سازی داده­ها استفاده شده است که این کار مانع کوچک شدن بیش­از حد وزن­ها و سبب جلوگیری از اشباع زود­هنگام نرون‏ها می­گردد. با روش نرمال­سازی هر عدد تبدیل به عددی بین0 تا 1 می‏شود تا بتوان آن‏ها را در تابع شبکه عصبی به­کار برد(16). با توجه به این­که پژوهشگران از روابط مختلفی برای نرمال‏سازی استفاده می‏کنند برای بررسی دقت روابط از 5 رابطه پرکاربرد زیر استفاده شده است. روابط (1) و (5) توسط فتحی و همکاران (17)، رابطه (2) توسط نورانی و کماسی(18)، رابطه (3) توسط اسدی و همکاران (19) و رابطه 5 توسط حقدادی و همکاران (20) ارائه شده است.

                      (1)

                                               (2)

                 (3)

                      (4)

                        (5)

که در این روابط  xداده مورد نظر،  میانگین داده­ها،  x_max حداکثر داده­ها، x_min حداقل داده­ها و y داده نرمال شده می­باشد.

پس از نرمال‏سازی داده‏های موجود با رابطه‏های (1) تا (5) و گرفتن رگرسیون خطی مشخص شد که رابطه (1) بهترین عملکرد را برای نرمال‏سازی داده‏ها دارد. در ابتدا با در نظر گرفتن تعداد پارامترهای مستقل زیادی چون دما، کدورت، pH، EC، COD، TSS، [15]SVI، V،  و DO مربوط به فاضلاب ورودی و خروجی، حوضچه ته‏نشینی اولیه، حوض هوادهی اول و دوم با استفاده از رگرسیون خطی و با کمک روش Stepwise موجود در نرم‏افزار SPSS مهمترین پارامترهای تاثیرگذار بر روی TSS  فاضلاب خروجی مشخص شدند. برای این کار TSS فاضلاب خروجی به عنوان متغیر وابسته و سایر پارامترهای ذکر شده در بالا به عنوان متغیرهای مستقل در ساخت مدل‏ها به­کار گرفته شد. در نتیجه 4 معماری مختلف براساس تعداد ورودی مختلف برای ساخت مدل‏های ANN و ANFIS در نظر گرفته شد (جدول 1). نتایج این مدل‏سازی نشان داد که مهمترین پارامترهای تاثیرگذار بر روی TSS فاضلاب خروجی شامل کدورت و TSS حوضچه ته‏نشینی اولیه، SVI، کدورت فاضلاب ورودی و EC حوضچه ته‏نشینی اولیه می‏باشد. تاثیر عوامل دیگر به شدت این عوامل نبوده و برای ساده سازی مدل توسط نرم­افزار SPSS حذف شده­اند.

جدول 1 - معماری‏های مختلف پارامترهای ورودی به مدل‏های دوره روزانه

Table1-Different architectures of input parameters into daily period’s models

       *-O  (output)          **- I  (input)            ***-P  (primal) ((settling basin        

برای تخمین TSS ماهانه خروجی فاضلاب نیز ابتدا پارامترهای تاثیرگذار به روش Backward تعیین شدند و  چهار معماری مختلف براساس تعداد ورودی مختلف برای ساخت مدل‏های پیش­بینی ماهانه رگرسیون غیرخطی، شبکه عصبی مصنوعی و

سیستم استنتاج فازی عصبی تطبیقی در نظر گرفته شد (جدول 2). مهمترین پارامترهای تاثیرگذار بر روی TSS ماهانه فاضلاب خروجی شامل میانگین ماهانه  متغیرهای COD و TSS حوضچه ته‏نشینی اولیه، SVI، کدورت ورودی و حوضچه ته‏نشینی اولیه می‏باشد.

جدول2- معماری‏های مختلف پارامترهای ورودی به مدل‏های دوره ماهانه

Table2-Different architectures of input parameters into monthly period’s models

*-O  ) (output            **- I  (input)           ***-P  (primal) (settling basin)

برای مدل‏سازی با شبکه عصبی مصنوعی از نر‏م‏افزار MATLAB 2013b از جعبه‏ابزارNeural Network tool (nntool)  و Neural Net fitting (nftool) استفاده شد. برای این مدل‏سازی از شبکه عصبی مصنوعی نوع شبکه‏های رو به

جلو و12 تابع آموزش مختلف و توابع انتقال TANSIG،

LOGSIG و PURELIN استفاده شد. عملکرد شبکه براساس حداکثر تعداد افزایش MSE برابر شش و تعداد تکرار حداکثر 1000 می‏باشد. شبکه‏های ساخته‏شده شامل یک لایه ورودی با تعداد نرون برابر با تعداد ورودی‏‎ها به‏طور متغیر از دو تا پنج نرون، یک لایه میانی با تعداد نرون‏های متغیر شش تا 20 و یک لایه خروجی با تعداد یک نرون به‏عنوان خروجی شبکه استفاده شد. به‏منظور مدل‏سازی با سیستم استنتاج فازی عصبی تطبیقی نرم‏افزار MATLAB 2013b، جعبه‏ابزار Neuro-Fuzzy Design (anfisedit) به‏کار گرفته شد. برای ساخت مدل‏ها از 8 تابع عضویت ورودی و توابع عضویت خروجی constant و linear استفاده شد. از روش بهینه‏سازی backprop و بازه خطا صفر و تعداد تکرار 10 تا 50 استفاده شد. جهت مقایسه مدل‏های ساخته‏شده و انتخاب بهترین مدل در تخمین مقدار TSS خروجی تصفیه‏خانه فاضلاب از مقدار ریشه مجموع مربعات خطا (رابطه 6) و مقدار ضریب تعیین (رابطه 7) استفاده شده است.

 (6)                         

 (7)                                  

که در این رابطه‏ها،  مقادیر مشاهداتی،  مقادیر خروجی از مدل و N تعداد داده‏ها می‏باشند. همچنین برای بررسی کارایی مدل نمودارهای مقایسه­ای مقادیر پیش­بینی و مشاهده­ای ترسیم شدند.

نتایج

مدل‏سازی با مدل رگرسیون خطی چندمتغیره برای TSS

به منظور اجرای مدل رگرسیون خطی چندمتغیره برای معماری‏های مختلف ذکر شده از نرم‏افزار SPSS 21 استفاده شد که نتایج آن برای بهترین ساختار معماری‏های مختلف در جدول (3 آورده شده است. جدول 4 معادلات رگرسیون به­دست آمده را نشان می­دهد.

جدول 3- نتایج مدل‏ رگرسیون خطی چندمتغیره برای معماری‏های مختلف TSS روزانه

Table3-Multivariate linear regression results for different daily TSS architectures

جدول4-  معادلات رگرسیون خطی چندمتغیره شاخص‏های TSS روزانه و ماهانه

Table4- Multivariate linear regression equations for daily and monthly TSS

*-D (Day)       **-M  (Month)           ***-P  ) (primal (settling basin)        ****-  i  ) (input

همان­گونه که در جدول 3 مشخص است، معماری چهار میزان ضریب تعیین بیشتر و ریشه میانگین مربعات خطای کمتری نسبت به سایر معماری‏ها در هر دو مرحله آموزش  (به­ترتیب75/0 و 033/0) و صحت‏سنجی (به­ترتیب67/0 و 025/0) دارد.  یکی از روش­های تشخیص قابلیت پیش­بینی مدل، استفاده از نمودارهای خطا و پیش­بینی برای مجموعه داده­های فرایندی است. نتایج معماری چهار به‏عنوان بهترین مدل حاصل برای مرحله صحت‏سنجی در شکل‏ 1 آورده شده است. نمودار سمت راست مقادیر TSS خروجی حاصله از مدل رگرسیون خطی چندمتغیره

را با مقادیر مشاهداتی آن مقایسه می‏کند و نمودار سمت چپ وضعیت این دو را نسبت به‏هم در طول زمان بر اساس روز در مرحله آموزش نشان می‏دهد.

در قسمت سمت چپ شکل‏ 1 علاوه بر محورهای افقی و عمودی نمودار، نیمساز آن‏ها یعنی خط y=x  هم رسم شده است. لذا علاوه بر معیارهای ضریب تعیین و ریشه میانگین مربعات خطا برای تشخیص بهترین مدل، می‏توان از پراکندگی نقاط نسبت به نیمساز محورهای مختصات و شیب خط عبوری از این نقاط نیز بهره برد.

شکل1- مقایسه مقادیر حاصل از رگرسیون خطی با مقادیر مشاهداتیTSS خروجی روزانه در مرحله صحت‏سنجی

Figure 1- Comparison of linear regression values with observation values of daily output TSS at verification stage

نتایج مدل‏سازی با مدل شبکه عصبی مصنوعی برای داده‏های روزانه

برای اجرای مدل شبکه عصبی از جعبه ابزارNeural Network  موجود در نرم‏افزار MATLAB نسخه 2013b استفاده شد. با توجه به معماری‏های مختلف تعریف‏شده و با انتخاب تعداد نرون‏های مختلف مدل‏سازی انجام شد. به این صورت که تعداد نرون‏های لایه ورودی برابر تعداد ورودی‏های شبکه، تعداد نرون لایه خروجی برابر با یک و تعداد نرون لایه میانی به صورت سعی و خطا و از 6 تا 20 در نظر گرفته شد که این تعداد نرون با توجه به اطلاعات تجربی انتخاب شده است که نتایج بهترین ساختار آن برای معماری‏های مختلف در جدول 5 آورده شده است. در شکل‏ 2 نتایج مدل شبکه عصبی مصنوعی ساخته‏شده جهت صحت‏سنجی TSS خروجی برای معماری‏چهارم  و مقایسه با مقادیر مشاهده شده ارائه شده است. بالاترین ضریب تعیین در معماری چهارم با ضریب تعیین 87/0  در مرحله آموزش و 8/0 در مرحله صحت­سنجی  و کمترین ریشه میانگین مربعات خطا (به­ترتیب 0298/0 و 0232/0 در مراحل آموزش و صحت­سنجی) دارا بود. بهترین ساختار معماری 4 از قانون آموزش Levenberg-Marquart و تابع محرک tansig با 5 نرون لایه

ورودی، 11 نرون لایه میانی و یک نرون لایه خروجی و 22 تکرار

 به­دست آمد. شکل 2 تطابق خوب مقادیر پیش­بینی­شده و مشاهده­شده را در این روش مدل­سازی نشان می­دهد.

نتایج مدل‏سازی با مدل سیستم استنتاج فازی عصبی تطبیقی برای داده‏های روزانه

برای مدل‏سازی با سیستم استنتاج فازی عصبی تطبیقی نیز از نرم‏افزار MATLAB و جعبه ابزار مربوط به ANFIS استفاده شد. ساختارهای مختلف در هر یک از معماری‏های مختلف و تعداد تکرارهای مختلف مورد بررسی قرار گرفت. نتایج مدل سیستم ANFIS ساخته‏شده برای صحت‏سنجی (پیش‏بینی)  TSS خروجی برای  بهترین ساختار معماری‏های مختلف در جدول 6 ارائه شده است. در شکل‏ (3) نتایج مدل سیستم استنتاج

فازی عصبی تطبیقی ساخته‏شده جهت صحت‏سنجی TSS

خروجی برای معماری‏ چهارم ارائه شده است.

اگرچه همه معماری­ها به خوبی مقدار TSS روزانه را برآورد نمودند، اما معماری چهار با ساختار شامل تابع عضویت ورودی trimf و تابع عضویت خروجی linear با تعداد تکرار 10 بیشترین ضریب تعیین (91/0 در مرحله آموزش و 83/0 در مرحله صحت­سنجی) را به­دست داد. کمترین ریشه میانگین مربعات خطا (0251/0 در مرحله صحت­سنجی) نیز در این معماری حاصل شد. شکل 3 پراکنش مناسب نقاط را در اطراف خط نیم­ساز (بین مقادیر مشاهده­شده و برآوردشده) نشان می­دهد.

جدول 5 – نتایج مدل‏ شبکه عصبی مصنوعی برای معماری‏های مختلف دوره روزانه

Table5- Artificial Neural Network model results for different daily period architectures

جدول 6 – نتایج مدل‏ سیستم استنتاج فازی عصبی تطبیقی برای معماری‏های مختلف دوره روزانه

Table 6- The results of the model of adaptive neural fuzzy inference system for different daily period architectures

شکل2 - مقایسه مقادیر حاصل از ANN با مقادیر مشاهداتی TSS خروجی دوره روزانه در مرحله صحت‏سنجی

Figure 2- Comparison of ANN values with observation values of daily output TSS at verification stage

شکل 3 -مقایسه مقادیر حاصل از سیستم ANFISبا مقادیر مشاهداتیTSSخروجی دوره روزانه ) صحت‏سنجی(

Figure 3- Comparison of the values of ANFIS system with observation values of daily output TSS (verification)

برآورد TSS خروجی ماهانه

مدل‏سازی با مدل رگرسیون خطی چندمتغیره برای TSS ماهانه

مدل رگرسیون خطی چندمتغیره برای چهار معماری‏های مختلف ذکر شده توسط نرم‏افزار 21  SPSSانجام شد (جدول7). معادلات به­دست آمده در جدول 4 ذکر شده است. همان‏طور که از جدول 7 مشخص است، معماری چهار میزان R² بیشتر و RMSE کمتری نسبت به سایر معماری‏ها در هر دو مرحله آموزش و صحت‏سنجی دارد. نتایج معماری چهار به‏عنوان بهترین مدل حاصله برای مرحله صحت‏سنجی در شکل‏ 4 آورده شده است.

نتایج مدل‏سازی با مدل شبکه عصبی مصنوعی برای داده‏های ماهانه

 با توجه به معماری‏های مختلف تعریف‏شده (جدول2) و با انتخاب تعداد نرون‏های لایه ورودی برابر تعداد ورودی‏های شبکه، تعداد نرون لایه خروجی برابر با یک و تعداد نرون لایه میانی به صورت سعی و خطا و از 6 تا 20، مدل­سازی صورت پذیرفت (جدول 8). در شکل‏ 5 نتایج مدل شبکه عصبی مصنوعی ساخته‏شده جهت صحت‏سنجی TSS ماهانه فاضلاب خروجی برای معماری‏چهارم ارائه شده است.

جدول 7- نتایج مدل‏ رگرسیون خطی چندمتغیره برای معماری‏های مختلف TSS ماهانه

Table 7-Multivariate linear regression results for different monthly TSS architectures

جدول 8 – نتایج مدل‏ شبکه عصبی مصنوعی برای معماری‏های مختلف دوره ماهانه

Table 8- Artificial Neural Network Model Results for Different Monthly Architectures

شکل 4- مقایسه مقادیر حاصل از رگرسیون خطی با مقادیر مشاهداتی TSS خروجی ماهانه )صحت‏سنجی(

Figure 4- Comparison of linear regression values with observation values of monthly output TSS (verification)

شکل 5- مقایسه مقادیر حاصل از ANN با مقادیر مشاهداتی TSS خروجی دوره ماهانه(مرحله صحت‏سنجی)

Figure 5- Comparison of ANN values with observation values of monthly output TSS (verification)

نتایج مدل‏سازی با مدل سیستم استنتاج فازی عصبی تطبیقی برای داده‏های ماهانه

برای مدل‏سازی با سیستم استنتاج فازی عصبی تطبیقی نیز از نرم‏افزار مMATLAB و جعبه ابزار مربوط به ANFIS استفاده شده است.

ساختارهای مختلف در هر یک از معماری‏های مختلف و تعداد تکرارهای مختلف مورد بررسی قرار گرفت(جدول9). شکل‏ 6 نتایج مدل سیستم استنتاج فازی عصبی تطبیقی ساخته‏شده جهت صحت‏سنجی TSS خروجی برای معماری‏4 ارائه داده است.

جدول 9 – نتایج مدل‏ سیستم استنتاج فازی عصبی تطبیقی برای معماری‏های مختلف دوره ماهانه

Table 9-The results of the model of comparative neural fuzzy inference system for different monthly architectures

شکل 6- مقایسه مقادیر حاصل از سیستم ANFISبا مقادیر مشاهداتی TSSخروجی دوره ماهانه )صحت‏سنجی(

Figure 6- Comparison of ANFIS values with observation values of monthly output TSS (verification)

بحث

نیاز روزافزون جامعه به منابع آبی جدید مانند فاضلاب تصفیه­شده از یک طرف و لزوم رعایت مسایل زیست محیطی از سوی دیگر، ارزیابی عملکرد تصفیه خانه­های فاضلاب را ضروری می­سازد. یکی از پارامترهای مهم و تاثیرگذار در بررسی استانداردهای استفاده مجدد و تخلیه به منابع آبی و ..، میزان مواد جامد معلق است. پارامترهای بسیاری بر روی TSS خروجی فاضلاب می­توانند موثر باشند، اما همه از نظر تاثیرگذاری دارای اهمیت یکسانی نیستند و از طرفی در مدل­سازی ممکن است افزایش ورودی­ها باعث افزایش خطای مدل­سازی شود، لذا بهتر است ابتدا پارامترهای موثر بر TSS فاضلاب تصفیه­شده مشخص شوند. در این تحقیق  پارامترهای اندازه­گیری­شده معمول تصفیه­خانه در واحدهای فاضلاب ورودی، حوضچه ته­نشینی اولیه، حوض هوادهی اول و دوم و فاضلاب خروجی (شامل 11 پارامتر ذکرشده در مواد و روش­ها) با استفاده از رگرسیون خطی و با کمک روش Stepwise مشخص شدند. براین اساس 4 معماری با تعداد ورودی مختلف مشخص شد. همان­گونه که از جدول 1 و 2 مشخص است معماری 1 تا 4 به­ترتیب دارای دو، سه ، چهار و پنج داده ورودی است. این امر کمک می­کند که در شرایط حداقل داده نیز بتوان از مدل­سازی استفاده نمود. Rafat Motaali  و همکاران (2014) از هفت داده ورودی برای مدل­سازی با شبکه عصبی استفاده کردند (12). مطالعه دیگری برای مدل­سازی TSS فاضلاب شهر غزه از 5 پارامتر دما، pH ، TSS، BOD و COD فاضلاب ورودی برای ساخت مدل استفاده کرده و فقط تعداد لایه­های میانی را تغییر داد (21). ارزیابی کارایی تصفیه بیولوژیکی فاضلاب با کمک روش شبکه عصبی مصنوعی برای استانبول ترکیه نیز با کمک هفت پارامتر دبی، فسفات و نیترات کل، SS، COD و BOD  فاضلاب ورودی و خروجی انجام شد (22). ضریب تعیین R² یکی از شاخص­های بررسی معادلات پیش­بینی است. طبق نظر Chin (1998) مقادیر 19/0، 33/0 و 67/0 به­عنوان ملاکی برای مقادیر ضعیف، متوسط و قوی ضریب تعیین در نظر گرفته می­شود (23). براین اساس، نتایج به­دست آمده برای مدل رگرسیون خطی چندمتغیره نشان می­دهد که این مدل در معماری 2 تا 4 ضریب تعیین قوی برای برآورد TSS روزانه  دارد که در این بین معماری 4 بالاترین ضریب تعیین (75/0) را نشان داد. همچنین معماری 4 توانست با ضریب تعیین مرحله آموزش در محدوده قوی و در مرحله صحت سنجی با ضریب تعیین نزدیک به قوی (66/0) TSS ماهانه را به خوبی پیش­بینی نماید. هرچند مقادیر ضریب تعیین برای هر دو مرحله آموزش و صحت‏سنجی به‏نسبت مدل‏سازی با رگرسیون خطی برای داده‏های روزانه (آموزش 753/0 و صحت‏سنجی 670/0) پایین‏تر است، اما نزدیکی ضرایب تعیین در این جا (آموزش 680/0 و صحت‏سنجی 658/0)، نشان‏دهنده این است که مدل رگرسیون خطی برای داده‏های ماهانه توانسته است داده‏های مرحله صحت‏سنجی را با دقت بسیار خوبی تخمین زند و عملکرد مطلوبی داشته باشد. پراکنش مناسب اطراف خط نیم­ساز نشان­دهنده مناسب بودن روش رگرسیون برای برآورد مقدار TSS روزانه است.Belhaj  و همکاران (2014) نیز برای شاخص TSS تصفیه‏خانه فاضلاب اسفاکس به‏وسیله رگرسیون خطی چندمتغیره به ضریب تعیین 925/0 را دست یافتند (13).

در مدل­سازی با شبکه عصبی برای TSS روزانه و ماهانه ، معماری 4 در مرحله صحت­سنجی با ضرایب تعیین به­ترتیب 8/0 و 85/0 دقت بالای مدل در پیش­بینی را نشان می­دهد. RMSE نیز پایین­ترین مقدار را در معماری 4 نشان داد. در واقع مدل شبکه عصبی مصنوعی توانسته است تاثیر پارامترهای  شاخص بر TSS روزانه و ماهانه  را برای تصفیه‏خانه فاضلاب غرب اهواز با ضریب تعیین قوی تخمین زده و عملکرد مطلوبی داشته باشد. پراکنش مناسب نقاط اطراف نیم­ساز 45 درجه نیز تطابق خوب مقادیر مشاهده­شده و پیش­بینی­شده را نشان می­دهد.  مطالعات دیگری مانند مجالی و همکاران (24) و نیز مهدی پور و شکوهیان (25) نیز نشان دادند که شبکه عصبی برای پیش­بینی شاخص کل مواد معلق می­تواند به خوبی به­کار برده شود.  نکته قابل توجه دیگر این است که همه معماری های مورد بررسی با شبکه عصبی ضریب نعیین قوی را نشان دادند. بسیاری اوقات در تصفیه­خانه مشکلاتی در اندازه­گیری پارامترهای مختلف رخ می­دهد که در صورت محدودیت مدل­سازی به یک ساختار یا معماری، کاربرد مدل­ها را محدود می­کند. ولی در این پژوهش 4 ساختار مورد بررسی با تعداد پارامترای مختلف نتیجه قابل قبولی را نشان دادند. به عبارت دیگر اگرچه وجود همه پارامترهای تاثیرگذار بر روی TSS فاضلاب خروجی (کدورت و TSS حوضچه ته‏نشینی اولیه، SVI، کدورت فاضلاب ورودی و EC حوضچه ته‏نشینی اولیه) می­تواند به برآورد قوی از ذرات معلق خروجی منجر شود، ولی در صورت وجود داده­های کمتر ورودی می­توان از معماری های دیگر (1 تا3) نیز به خوبی برای برآورد TSS استفاده نمود. شکری و همکاران (26) با کاربرد 5 داده ورودی، سه مدل شبکه عصبی مصنوعی، فازی ممدانی و ساجنو را برای ارزیابی BOD، COD و  TSSفاضلاب خروجی تصفیه­خانه تبریز مقایسه کردند که هر سه مدل کارایی خوبی را نشان داد. البته مدل فازی ساجنو برتری بیشتری نسبت به دو مدل دیگر داشت.

برای بالا بردن دقت کار از شبکه فازی عصبی تطبیقی نیز استفاده شد. با توجه به ضرایب تعیین و مقادیر ریشه میانگین مربعات خطای به‏دست آمده می‏توان دریافت که مدل ANFIS توانسته است شاخص TSS روزانه را برای تصفیه‏خانه فاضلاب غرب اهواز به‏خوبی تخمین زند و عملکرد بهتری نسبت به دو مدل دیگر داشته باشد. این مدل در هر 4 معماری ضریب تعیین قوی را نشان داد ولی معماری 4 بالاترین مقدار R² (91/0 و 83/0 در مرحله آموزش و صحت سنجی برآورد TSS روزانه و مقادیر 89/0 و 87/0 در مرحله آموزش و صحت سنجی برآورد TSS  ماهانه) را نشان داد. یعنی این معماری توانسته است رابطه قوی بین 5 پارامتر ورودی و ذرات معلق خروجی برقرار نماید.  پای و همکاران (9) نیز توانایی بالای ANFIS در شبیه­سازی خصوصیات فاضلاب را اثبات نموده­اند.آن‏ها برای شاخص TSS با استفاده از مدل سیستم استنتاج فازی عصبی تطبیقی به ضریب همبستگی (R) 96/0 و مقدار ریشه میانگین مربعات خطای 43/0 و با بهره‏گیری از مدل شبکه عصبی مصنوعی به ضریب همبستگی (R) 89/0 و مقدار ریشه میانگین مربعات خطای 71/0  دست یافتند و نشان دادند که مدل سیستم استنتاج فازی عصبی تطبیقی توانسته است عملکرد بهتری در تخمین شاخص  TSS نسبت به مدل شبکه عصبی مصنوعی داشته باشد.

مقایسه سه مدل نشان داد کهسیستم ANFIS نتایج مناسب‏تری نسبت به شبکه عصبی مصنوعی  و رگرسیون خطی چند متغیره داشت.  این نتیجه با یافته های محققان در مورد مقایسه شبکه عصبی و عصبی فازی (4 و 7) تطابق خوبی دارد. اکیل اندسواری و کویتا (27) در مورد برآورد BOD₅ نیز نشان دادند که شبکه عصبی فازی بهتر از رگرسیون چند متغیره بوده است. واجدی و شاه­حسینی (8) با استفاده از ضریبب همبستگی، میانگین مربعات خطا و نمودارهای تطبیقی داده­های شبیه­سازی و پیش­بینی نشان دادند که سیستم استنتاج فازی عصبی تطبیقی توانایی بالاتری در مدل­سازی فرایند لجن فعال تصفیه­خانه پتروشیمی مبین دارد.

نتیجه‏گیری

مطالعه حاضر  نشان داد که در هر دو دوره روزانه و ماهانه، معماری 4 در مدل­های شبکه عصبی، رگسیون چند متغیره و شبکه عصبی فازی،نتایج بهتری نسبت به سایر معماری‏ها دارد، ولی معماری‏های دیگر نیز جواب‏های قابل قبول و نزدیک به مقادیر مشاهده‏ای داشتند. بنابراین برای تصفیه خانه فاضلاب اهواز می‏توان بسته به شرایط و با توجه به پارامترهای کیفی فاضلاب در دسترس، جهت تخمین  TSS فاضلاب خروجی از پارامترهای ورودی مختلف استفاده کرد. هم­چنین با توجه به نتایج به ‏دست آمده، مدل سیستم استنتاج فازی عصبی تطبیقی نسبت به رگرسیون و مدل شبکه عصبی مصنوعی برای هر دو دوره روزانه و ماهانه در مراحل آموزش و صحت‏سنجی عملکرد بهتری داشته است.  لازم به ذکر است که عملکرد هر سه مدل در تخمین مقدار  TSS خروجی این تصفیه‏خانه در دوره روزانه نسبت به دوره ماهانه مناسب‏تر بوده است.

سپاس­گزاری

 از مدیریت آب وفاضلاب اهواز، مدیریت تصفیه‏خانه غرب اهواز و همچنین کارشناسان این تصفیه‏خانه و سایر کارکنان اداره آب و فاضلاب اهواز جهت همکاری‏های به‏عمل آمده سپاس­گزاریم. همچنین از حمایت  مالی معاونت پژوهش و فناوری دانشگاه شهید چمران اهواز در قالب پژوهانه (95/3/02/31400:GN) در انجام این تحقیق تشکر و قدردانی می گردد.

Refrences

1. Ozkaya, B., Demir, A., Bilgili. M.S., 2007. Neural network prediction model for the methane fraction in biogas from field-scale landfill bioreactors. Journal:  Environmental Modelling & Software. Vol. 22, pp. 815-822.
2. Karamooz, M., Tabesh, M., Nazeef, S., Moridi, A., 2005. Applications of artificial neural network and
3. Neuro-fuzzy inference system to predict pressure of water pipe networks. Journal of water and wastewater. Vol.53, pp.3-14. (persian)
4. Tabesh, M., Dini. M., 2009. Forecasting daily urban water demand using artificial neural networks, a case study of Tehran urban water. Journal of water and wastewater. Vol.1, pp. 84-95 (persion)
5. Zare Abyaneh, h. Bayat Varkeshi, M., Bayat Varkeshi, j., 2012. Application of Artificial Neural Networks in Evaluation of Ekbatan Wastewater Treatment Plant. Journal of Ecology. Vol. 38(3), pp.98-85.  (persion).
6. Nasr, M. S., Moustafa, M. A., Seif, H. A., El Kobrosy, G., 2012. Application of Artificial Neural Network (ANN) for the prediction of EL-AGAMY wastewater treatment plant performance-EGYPT. Alexandria Engineering Journal. Vol.51 (1), pp. 37-43.
7. Shokri, S., Asghari Moghadam, A., Nadiri. A., 2013. Evaluation of efficiency of Tabriz wastewater treatment plant using different fuzzy systems. National Conference on Environmental Research of Iran. Shahid Mofatheh Faculty. Hamedan. Pages: 19 (persion).
8. Jang, J.S.R., Sun, C.T., Mizutani. E., 1997. Neuro-Fuzzy and Soft Computing: A Computational Approach to Learning and Machine Intelligence. Prentice-Hall International. New Jersey.
9. Vagedi, M., Shah Hoseini, Sh., 2014. Acoustic sludge process modeling by comparative fuzzy-inductive inference system. Journal of water and wastewater. Vol.4, pp. 111-108. (persion)
10. Wan, J., Huang, M., Ma, Y., Guo, W., Wang, Y., Zhang HSun, X., 2011. Prediction of effluent quality of a paper mill wastewater treatment using an adaptive network-based fuzzy inference system. Applied Soft Computing. Vol.11 (3), pp. 3238-3246.
11. Pai, T. Y., Yang, P. Y., Wang, S. C., Lo, M. H., Chiang, C. F., Kuo, J. LChang, Y. H., 2011. Predicting effluent from the wastewater treatment plant of industrial park based on fuzzy network and influent quality. Applied Mathematical Modelling. Vol.35 (8), pp. 3674-3684.
12. Pai, T. Y., Wan, T. J., Hsu, S. T., Chang, T. C., Tsai, Y. P., Lin, C. Y. Yu, L. F., 2009. Using fuzzy inference system to improve neural network for predicting hospital wastewater treatment plant effluent. Computers & Chemical Engineering. Vol.33 (7), pp.1272-1278.
13. Rafat Motaali, F., Danesh, Sh., Rajabi Mashhadi. H., 2014. Evaluation and management of semi-mechanical treatment plants by predicting their waste effluent quality by genetic algorithm optimized neural network model. 5th National Conference on Water, Wastewater and Waste. Tehran. pages: 14.(persion)
14. Hanbay, D., Turkoglu, I., Demir, Y., 2008. Prediction of wastewater treatment plant performance based on wavelet packet decomposition and neural networks. Expert Systems with Applications. Vol.34 (2), pp.1038-1043.
15. Belhaj, D., Jaabiri, I., Turki, N., Azri, C., Kallel, M., Ayadi. H., 2014. Descriptive and multivariable analysis of the water parameters quality of Sfax sewage treatment plant after rehabilitation. Journal of Computer Engineering. Vol.16 (1), pp. 81-91.
16. Solgi, A., Radmanesh, F., Zarei, H., Nourani. V., 2014. Hybrid Models Performance Assessment to Predict Flow of Gamasyab River. International journal of Advanced Biological and Biomedical Research. Vol. 2(5), pp. 1837-1846.
17. Riad, S., Mania, J., Bouchaou, L., Najjar. Y., 2004. Rainfall-runoff model usingan artificialneural network approach. Mathematical and Computer Modelling. Vol. 40(7–8), pp. 839-846.
18. Fathi, P. Mohammadi, Y., Homaii, M., 2009. Intelligent Modeling Time Series Monthly Input to Sanandaj Vahdat Dam. Journal of Soil and Water (Science and Technology of Agriculture). Vol.(1) 23, pp. 220-209.(persion)
19. Nourani, V., Komasi. M., 2013. A geomorphology-based ANFIS model for multi-station modeling of rainfall–runoff process. Journal of Hydrology, Vol.490, pp.41-55.
20. Asadi, S., Shahrabi. J., Abbaszadeh, P., Tabanmehr. S., 2013. A New Hybrid Artificial Neural Networks for Rainfall–Runoff Process Modeling. Neurocomputing. Pp. 05-23.
21. Haghdadi, N., Zarei-Hanzaki, A., Khalesian, A.R., Abedi. H.R., 2013. Artificial neural network modeling to predict the hot deformation behavior of an A356 aluminum alloy. Materials & Design. Vol. 49, pp. 386-391.
22. Hamada, M., Zaqoot, H.A., Jreiban,A.A., 2018. Application of artificial neural networks for the prediction of Gaza wastewater treatment plant performance-Gaza strip, Journal of Applied Research in Water and Wastewater, 5 (1),pp. 399-406.
23. Turkmenler, H. and Pala, M., 2017. Performance assessment of advanced biological wastewater treatment plants using artificial neural networks. International journal of engineering technologies. Vol. (3):3; pp.151-156.
24. Chin, W.W., 1998. The partial Least squares approach to structural equation modeling. Mosern methods for business research. Vol.295 (2), pp. 295-336.
25. Mjalli, F. S., Al-Asheh, S., Alfadala, H. E., 2007. Use of artificial neural network black-box modeling for the prediction of wastewater treatment plants performance. Journal of Environmental Management. Vol. 83(3), pp. 329-338.
26. Mehdi Pour, A., Shokohian, M., 2012. Investigating the Effect of Input Sewage Parameters on Estimation accuracy of Outlet TSS Using Artificial Neural Networks Based Sensitivity Analysis. 7th Civil Engineering Congress. University of Sistan and Baluchestan. Zahedan. pages:8.(persion)
27. Shokri, S., Nadiri. A., Asghari Moghadam, A., 2014. Evaluation of wastewater treatment efficiency of Tabriz using artificial intelligence models. Journal of Echology, 40(4), pp.827-844(persion)
28. Akilandeswari, S., Kavitha. B., 2013. Determination of biochemical oxygen demand by adaptive neuro fuzzy inference system. Journal: Pelagia Research Library. Vol.4, pp.101-104.